<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[StarRocks的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/StarRocks</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; StarRocks]]></copyright><item><title><![CDATA[从“扫文件”到“找数据行”：StarRocks 支持 Paimon Global Index]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/170149872</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/170149872</guid><author>StarRocks</author><pubDate>Thu, 05 Nov 2026 23:05:34 +0800</pubDate><description><![CDATA[一条 SQL，结合业务条件过滤与向量检索。]]></description><category></category></item><item><title><![CDATA[StarRocks × Lance：打造极致性能的多模态湖仓]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/169564924</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/169564924</guid><author>StarRocks</author><pubDate>Fri, 30 Oct 2026 23:19:30 +0800</pubDate><description><![CDATA[解析 Lance 接入架构、分布式检索与延迟物化设计。]]></description><category></category></item><item><title><![CDATA[StarRocks + Paimon 多模态数据湖检索]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/169069494</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/169069494</guid><author>StarRocks</author><pubDate>Tue, 27 Oct 2026 16:00:57 +0800</pubDate><description><![CDATA[本文将介绍 StarRocks 和 Paimon 在这个技术点上的整体思路、技术配合，以及在阿里集团和阿里云上的落地实践，最后回到雨夜加塞这个场景，完整走一遍从发现问题到验证改进的闭环。]]></description><category></category></item><item><title><![CDATA[StarRocks × Fluss：用 SQL 衔接实时与历史数据]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/168662813</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/168662813</guid><author>StarRocks</author><pubDate>Wed, 21 Oct 2026 22:21:50 +0800</pubDate><description><![CDATA[通过 Fluss Catalog 与冷热数据合读，StarRocks 将实时数据与 Paimon 历史数据接入统一 SQL 查询，减少数据进入分析的等待。]]></description><category></category></item><item><title><![CDATA[StarRocks 接入 Paimon C++：让湖上查询进入原生执行链路]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/167920923</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/167920923</guid><author>StarRocks</author><pubDate>Wed, 14 Oct 2026 21:51:32 +0800</pubDate><description><![CDATA[在不改变 Paimon 表语义和现有 SQL 使用方式的前提下，StarRocks 通过 Paimon C++ 减少跨语言调用与数据转换，使测试场景下的湖上查询获得约 1.4～3.4 倍加速。]]></description><category></category></item><item><title><![CDATA[StarRocks 全面支持 Paimon 2.0：构建多模态统一分析与检索]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/166493919</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/166493919</guid><author>StarRocks</author><pubDate>Wed, 23 Sep 2026 22:52:07 +0800</pubDate><description><![CDATA[StarRocks 与 Paimon 2.0 将多模态数据管理、索引检索与关系分析连接起来，让湖上的不同数据访问路径进入同一套 SQL 执行架构。]]></description><category></category></item><item><title><![CDATA[当大模型调用进入执行引擎：StarRocks AI Function 全新能力解析]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/165609260</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/165609260</guid><author>StarRocks</author><pubDate>Wed, 16 Sep 2026 13:51:24 +0800</pubDate><description><![CDATA[StarRocks 将模型调用纳入 SQL 与查询治理体系，让生成、抽取和向量化等任务在数据库内高效协同执行]]></description><category></category></item><item><title><![CDATA[StarRocks 如何查询 Paimon 半结构化数据？Variant、Shredding 与 SQL 实践]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164398293</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164398293</guid><author>StarRocks</author><pubDate>Sat, 05 Sep 2026 11:25:35 +0800</pubDate><description><![CDATA[作者：王日宇（霁谦）StarRocks Committer；阿里云技术专家order_idevent_timeamount等结构相对稳定的业务字段；商品属性、营销信息、客户端参数等持续变化的扩展字段。前一类字段适合使用明确的 Schema 进行管理，后一类字段则常以 JSON Payload 的形式保存，以适应不断变化的数据结构。]]></description><category></category></item><item><title><![CDATA[AI 能写 SQL，但它真的理解数据吗？镜舟 Semantic View 如何补齐语义缺口]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164395859</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164395859</guid><author>StarRocks</author><pubDate>Sat, 05 Sep 2026 10:06:36 +0800</pubDate><description><![CDATA[TABLES (METRICS (这一定义中有三点值得注意。1. 一旦通过声明表之间的关系，后续查询便不再需要手动编写 Join。2. SYNONYMS 和主要提供给语言模型使用，而不是提供给数据库引擎计算。用户说“purchase year”或“year”时，对应buy_year；用户说“gear brand”“brand”或“make”时，对应品牌维度；用户提到“float”或“Handing”时，模型可以参考样例值，将其识别为具体的数据取值。]]></description><category></category></item><item><title><![CDATA[分链路差异化设计的DSP准实时数仓｜钛动科技基于 Flink + Paimon +StarRocks 实践]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164191027</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164191027</guid><author>StarRocks</author><pubDate>Sun, 30 Aug 2026 17:00:51 +0800</pubDate><description><![CDATA[本文整理自赵阳在 Flink Forward Asia 2026 的分享，将介绍钛动科技如何基于 StarRocks、Flink 与 Paimon，对 DSP 准实时数仓进行分链路差异化设计，在 9.6 PB 数据规模下兼顾数据新鲜度、查询性能、存储成本与故障隔离。]]></description><category></category></item><item><title><![CDATA[StarRocks × Fluss × Paimon：流湖仓分析与 ETL 闭环]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164188815</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164188815</guid><author>StarRocks</author><pubDate>Sun, 30 Aug 2026 14:18:35 +0800</pubDate><description><![CDATA[在传统数据架构中，一份数据从业务系统产生，到最终支撑分析、风控、报表及对外服务，往往需要经过多套系统、多份存储和多次口径对齐。随着业务对秒级数据新鲜度、运维效率及湖仓能力提出更高要求，传统架构的局限也愈发明显。
本文整理自段彦在 Flink Forward Asia 2026 的分享，将介绍 StarRocks、Fluss 与 Paimon 如何构建流湖仓分析与 ETL 闭环，实现实时与历史数据统一查询，并通过 Native 读写能力完成湖上数据加工与结果回流。]]></description><category></category></item><item><title><![CDATA[StarRocks 存算分离架构下的大规模实时导入优化实践 ]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164186967</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164186967</guid><author>StarRocks</author><pubDate>Sun, 30 Aug 2026 11:07:26 +0800</pubDate><description><![CDATA[存算分离架构能够显著降低存储成本并提升系统弹性，但随着实时数据规模不断增长，对象存储请求、小文件、Compaction 以及 Publish 等环节逐渐成为大规模实时导入的性能瓶颈。针对这些挑战，StarRocks 围绕文件合并、大 Tablet、Tablet 内并行和主键索引优化等关键技术进行了系统性优化，并在多个生产场景中取得了显著效果。本文整理自王衍波在 Flink Forward Asia 2026 的分享，将介绍这些优化的设计思路、实现方式及实践案例。]]></description><category></category></item><item><title><![CDATA[基于 Fluss、Paimon 与 StarRocks 构建淘天集团湖流一体数据链路]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164169678</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164169678</guid><author>StarRocks</author><pubDate>Sat, 29 Aug 2026 15:20:20 +0800</pubDate><description><![CDATA[本文整理自淘天集团朱奥在 Flink Forward Asia 2026 的分享，介绍了 Fluss、Paimon 与 StarRocks 构建湖流一体架构的实践：Fluss 负责秒级实时数据，Paimon 沉淀历史数据，StarRocks 提供统一分析入口，实现秒级至历史数据的一体化分析。目前，该方案已实现开发效率提升 50% 以上、实时链路成本降低 80% 以上。]]></description><category></category></item><item><title><![CDATA[从数据湖到多模态湖仓：基于 StarRocks 与 Paimon 构建 AI 时代的统一分析检索架构]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164166972</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164166972</guid><author>StarRocks</author><pubDate>Sat, 29 Aug 2026 11:25:36 +0800</pubDate><description><![CDATA[经过融合后，Demo 中排名最靠前的是 C27、C03 和 C08——这三个片段的共同特点是：既被标签或全文侧召回，也被向量侧召回，说明它们同时满足"标签判断正确"和"视觉语义相似"两个条件，因此可以作为 Top3 高置信结果。它不是单纯的 SQL 分析，也不是单纯的向量检索，而是标量过滤、向量 ANN、全文匹配和融合重排共同参与的混合检索。一次业务查询往往需要先在 OLAP 中过滤标签，再在向量库中做相似度检索，再在全文系统中做关键词匹配，最后由应用层将三路结果拼接、Join 或重排。]]></description><category></category></item><item><title><![CDATA[从 6000+ Commit 中识别升级风险：一个 StarRocks AI 升级扫描工具的实现]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164151606</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164151606</guid><author>StarRocks</author><pubDate>Fri, 28 Aug 2026 20:22:47 +0800</pubDate><description><![CDATA[所有分析都建立在完整源码上下文之上，而不是依赖 GitHub API 返回的 PR Diff。只有结合类定义、调用关系和模块依赖，才能准确评估升级风险。并非所有 Commit 都需要同等程度的关注。通过 Tier 分类机制，将分析资源集中在最有可能产生兼容性影响的变更上，在分析深度与效率之间取得平衡。由 Scanner 负责确定性的数据收集和风险识别，由 AI Agent 负责调用链追踪、影响分析和风险评估，两者协同完成升级风险分析。风险评估不仅关注版本变更本身，还结合用户实际的fe.conf。]]></description><category></category></item><item><title><![CDATA[StarRocks 4.1：让 Iceberg 查询加速与数据新鲜度兼得]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164149949</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164149949</guid><author>StarRocks</author><pubDate>Fri, 28 Aug 2026 17:13:24 +0800</pubDate><description><![CDATA[与传统全量刷新方式不同，增量物化视图只需处理新增或变更的数据，无需重复扫描和计算全部历史数据，即可持续发挥查询加速效果。归根结底，传统刷新机制的成本与数据规模紧密相关。对于 Lakehouse 而言，这意味着既保留了 Iceberg 的开放性和跨引擎互操作性，又获得了更接近传统数仓的体验：可预测的性能、低延迟查询，以及始终保持最新的数据。无论分区内实际发生了多少数据变更，系统都需要重新计算整个分区，包括其中未发生变化的数据，因此刷新成本会随着表规模增长而增加。而在后续刷新阶段，增量刷新仅处理变更数据，]]></description><category></category></item><item><title><![CDATA[StarRocks x Fluss x Paimon 湖流一体方案：构建秒级响应、湖流一体的实时数据引擎]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164146198</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164146198</guid><author>StarRocks</author><pubDate>Fri, 28 Aug 2026 16:10:07 +0800</pubDate><description><![CDATA[StarRocks x Fluss x Paimon 湖流一体方案通过将 Apache Fluss（面向分析场景的实时流存储）与 Apache Paimon（高性能湖格式表）深度融合，以 StarRocks 作为统一查询入口，构建了一套具备秒级新鲜度、十倍成本降低、一份数据一次查询的全新实时数据引擎。本文将介绍该方案的核心架构、技术优势、查询模式以及实现原理。]]></description><category></category></item><item><title><![CDATA[StarRocks 4.1：聚焦生产实践，持续降低运维复杂度]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164141539</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164141539</guid><author>StarRocks</author><pubDate>Fri, 28 Aug 2026 10:55:30 +0800</pubDate><description><![CDATA[高性能分析一直是 StarRocks 的核心优势，但性能本身并不足以保障生产环境的稳定运行。数据分布策略需要在建表阶段提前确定，当数据规模增长或访问模式发生变化时，容易出现数据倾斜、热点 Tablet 等问题。单个大型租户可能将大量流量集中到少数几个 Tablet 上，从而引发一系列性能和稳定性问题，而问题根因往往难以排查。一旦数据分布设计不合理，往往需要重新导入数据、调整表结构，或同时进行两者。如何选择合适的 Colocation、Bucket 数量和分布键，往往依赖于对系统内部机制的深入理解。]]></description><category></category></item><item><title><![CDATA[StarRocks 全模态能力导读：连接内容理解、混合检索与业务分析]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/164124391</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/164124391</guid><author>StarRocks</author><pubDate>Thu, 27 Aug 2026 19:53:16 +0800</pubDate><description><![CDATA[当图片、视频和文档经过模型理解并转化为描述、标签和向量，StarRocks 如何将内容处理、混合检索与业务分析连接起来？]]></description><category></category></item><item><title><![CDATA[StarRocks × Iceberg：联邦查询实践解析]]></title><link>https://blog.youkuaiyun.com/StarRocks/article/details/161785402</link><guid>https://blog.youkuaiyun.com/StarRocks/article/details/161785402</guid><author>StarRocks</author><pubDate>Mon, 08 Jun 2026 04:16:10 +0800</pubDate><description><![CDATA[从 Iceberg Catalog 接入到冷热数据分层，了解 StarRocks 如何构建统一的联邦查询架构。]]></description><category></category></item></channel></rss>